为啥我生成的音频文件和视频的时间对不上

[Cqy1995]

demo的视频时间是30s,生成后的字幕文件是57秒

[buxuku]

whisper 的文本生成比较依赖于上下文，这个视频我是通过 ffmpeg 截取了 30s, 这可能是视频导致出来的问题。当然， whisper 也确实会存在时间轴对不上的情况，我将尝试寻找更精确的输出方案。